Feb, 2019

通过对抗性双自编码器实现异常检测

PDF
TL;DR介绍了一种基于 GAN 的异常检测框架 - Adversarial Dual Autoencoders (ADAE)，由两个自编码器作为生成器和判别器以提高训练稳定性，利用判别器重建误差作为异常得分以获得更好的检测性能。在不同复杂度的数据集上进行的实验表明，该模型具有良好的鲁棒性，可用于不同场景中，其中之一是脑肿瘤检测。
generative adversarial networksanomaly detectionadversarial dual autoencoderstraining stabilitybrain tumor detection
发现论文，激发创造
  • 双编码器双向生成对抗网络用于异常检测

    该研究提出了一种基于双编码器的双向 GAN 架构，通过学习机制，将循环一致性问题降至最小，有效地促进了基于 GAN 的模型中的异常检测效率。实验证明该方法在正常样本分布捕捉方面表现良好，并成功应用于大脑磁共振异常检测系统。

    Dec, 2020

  • ADA-GAD: 图形异常检测的异常去噪自编码器

    提出了一种名为 ADA-GAD 的新型双阶段框架以解决图中异常检测问题，通过减少异常级别并利用多层级表示进行预训练和检测，同时使用节点异常分布正则化来进一步减轻异常过拟合问题。

    Dec, 2023

  • 对抗性学习的异常检测

    本文提出一种基于双向 GAN 的异常检测方法 ALAD，通过对偶学习特征并利用这些特征的重构误差来确定数据样本是否异常，从而在一系列图像和表格数据集上取得了最先进的性能。

    Dec, 2018

  • 使用对抗自编码器实现图像中的稳健异常检测

    研究了一种基于自编码器的图像异常检测方法，发现传统方法在训练时存在离群点时导致异常检测性能降低的问题，使用对抗自编码器引入先验分布可以较好地克服该问题。

    Jan, 2019

  • GAN 在异常检测中的应用综述

    本研究调查了基于 GAN 的异常检测方法，评价了其优缺点，并在不同数据集上实验证明了主要的 GAN 模型的性能。同时，提供了一个完整的开源工具箱来使用 GAN 进行异常检测。

    Jun, 2019

  • 高效基于 GAN 的异常检测

    使用生成对抗网络（GANs）进行异常检测，取得了图像和网络入侵数据集方面的最新性能，并且测试时间比唯一已发布的基于 GAN 的方法快了数百倍。

    Feb, 2018

  • DOPING: GAN 生成数据增强用于无监督异常检测

    本研究介绍了一种基于 GAN 和 AAE 的数据增强框架，可以应用于未监督的异常检测任务，并成功地解决了在高维数据分布与多模式分布中升采样极少发生正常事件的问题。

    Aug, 2018

  • GANomaly: 通过对抗训练进行半监督异常检测

    使用条件生成对抗网络，将输入图像映射到较低的维度向量，从而最小化训练时这些图像和潜在向量之间的距离，学习正常样本的数据分布，并在推理时利用学习到的数据分布，在各种基准数据集上表现出比先前最先进方法更好的模型性能

    May, 2018

  • 对抗自编码器

    本文提出了 “对抗自编码器”(AAE)，它是一个概率自编码器，使用最近提出的生成对抗网络 (GAN) 通过匹配自编码器的隐藏代码向量的聚合后验分布与任意先验分布来执行变分推断。匹配聚合后验分布和先验保证从先验空间的任何部分生成都会产生有意义的样本。结果，对抗自编码器的解码器学习了一种深度生成模型，将所施加的先验映射到数据分布。我们展示了对抗自编码器如何在半监督分类，图像风格和内容分离，无监督聚类，降维和数据可视化等应用中使用。我们在 MNIST、Street View 房屋号码和 Toronto Face 数据集上进行了实验，并展示了对抗性自编码器在生成建模和半监督分类任务中取得了有竞争力的结果。

    Nov, 2015

  • 用 GAN 集成方法进行异常检测

    使用生成对抗网络集成的方法提高无监督学习下的异常检测性能，通过实验验证集成的优越性。

    Dec, 2020